人体目标检测与跟踪技术是当今社会的主要研究方向和流行趋势。由于人体作为非刚体的代表，相关技术应用到行人方面具有重要的研究价值，而且某些目标与人体目标对象可能具有相似的外形，不利于对人体多目标的检测与跟踪，使目标人体对象的特征提取变得极为困难。因此，对不同应用场景和平台下的多目标人体特征进行有效的检测与跟踪具有深远的应用潜力。
　　针对不同平台、场景和传统算法对人体多目标检测率低的问题，本文在残差网络的基础上，通过对其网络结构进行改进，并融合感兴趣区域和迁移学习的方法对人体目标进行检测，提高对分辨率低和小目标人体的检出率。通过大数据集对深度残差网络进行预训练，然后采用迁移学习的方法对预训练后的深度残差网络进行迁移，并利用预处理之后的训练数据集对迁移网络再次进行训练，最终获得一个深度网络检测模型；利用本文的视频帧数据对网络进行检测实验，并与传统算法和其他深度学习算法进行性能分析与对比，结果表明，本文算法优于其他算法并提高了人体目标的检出率。
　　其次，针对多个行人运动之间发生的相互遮挡和与背景相似目标未被跟踪问题，本文以kalman滤波为理论基础并改进了该算法，融入Hungarian匹配算法优化卡尔曼滤波算法在目标跟踪时递推混乱的缺陷。本文算法是基于检测的跟踪算法，搭建了基于深度学习的人体多目标检测与跟踪算法框架。在检测结果的基础上，首先，计算出所有目标状态预测与本帧检测框的重叠度，并通过匈牙利匹配算法对检测和跟踪数据进行匹配关联，匹配到唯一最大的重叠度，用本帧中匹配到的目标检测框去更新卡尔曼滤波跟踪器，之后将状态更新值输出，作为本帧的跟踪框实现人体多目标跟踪。
　　最后，通过与其他跟踪算法的对比与实验结果分析表明，本文所提出的人体多目标检测跟踪算法优于其他算法，而且实现不同场景和平台下的人体多目标跟踪，有效解决运动行人跟踪中的问题，并提高了多目标跟踪的准确度。